基于NT降阶的乘积型区间二型模糊控制器结构分析

目前区间二型模糊控制器的结构分析主要基于Zadeh的取小推理和KM降阶算法。KM算法是一循环迭代过程,没有解析解,无法进行控制器的稳定性分析,且取小推理需要进行输入空间的划分,过程较为繁琐。提出了一种简化的区间二型模糊控制器分析方法,该方法首先采用乘积推理,模糊规则的激发隶属度为输入变量隶属度的乘积,统一了控制器的表达式形式,避免了输入空间的划分过程,模糊控制器的结构分析更加简单。二型模糊集合采用NT降阶算法,该算法直接利用首隶属度函数的上、下限的平均值来进行解模糊化操作,避免了迭代计算,简化了降阶过程。控制器的表达式等效于一个增量式PI（位置式PD）控制器,其比例增益、积分增益以及补偿项均为非线性可调。而且还能得到控制器的闭环表达式,易于进行区间二型模糊控制器的稳定性分析与设计等。     

基于直觉模糊推理的目标识别方法

针对目标识别特征值的不确定性问题,提出一种基于直觉模糊推理的目标识别方法．首先,分析现有目标识别方法的不确定性与局限性,并对空中目标识别问题及目标特征进行描述;然后,设计系统状态属性变量的隶属度函数与非隶属度函数;最后,建立直觉模糊推理规则,设计推理合成算法和解模糊算法,并检验所建规则的合理性．仿真实例验证了所提方法的有效性与适用性．     

前提不匹配的模糊时滞系统镇定条件的改进

本文研究了前提不匹配的Tagaki-Sugeno(T–S)模糊时滞系统的镇定问题.与一般的T–S模糊时滞系统相比,该系统中模糊模型与模糊控制器拥有不同的模糊规则数与不同的隶属度函数.基于Lyapunov稳定性理论,通过引进新型积分不等式,给出了包含隶属度函数信息的镇定条件.本文提出的新方法充分考虑了隶属度函数的信息,同时得到了Lyapunov函数导数的最小下界,因此新的镇定条件比以往结果具有更小的保守性.另一方面给出前提不匹配的控制器设计方法,由于模糊控制器的隶属度函数可以任意选取,因此提高了控制器设计的灵活性.最后仿真实例证明了本文方法的有效性及优越性.     

基于混合聚类算法的模糊函数系统辨识方法

针对传统模糊系统存在的结构难以确定和参数辨识复杂的问题,提出了一种基于混合聚类算法的模糊函数系统辨识算法.与一般的模糊函数系统相比,混合聚类算法结合模糊C均值和模糊C回归模型聚类算法的样本距离.在模型预测部分,采用高斯函数计算每个输入变量的隶属度,利用输入变量隶属度的模糊化算子得到输入向量的隶属度.应用于Box-Jenkins煤气炉数据、一个双入单出的非线性系统和Mackey-Glass混沌时间序列数据的试验结果表明,本文算法具有很好的辨识效果,从而验证了本文算法的有效性与实用性.     

利用Nelder－Mead单纯形法优化模糊逻辑控制器

本文提出了一种优化模糊逻辑控制器的新方法．该方法的主要思想是自动地优化误差变化率的隶属度函数，因为这类录属度函数表征了速度的反馈．为此，首先定义了一族参数化的隶属度函数．然后，在系统的运行过程中利用Ｎｅｌｄｅｒ－Ｍｅａｄ单纯算法来优化这类隶属度函数．为了验证所提方法的有效性，报告了控制一非线性被控对象的阶跃与跟踪响应．     

模糊聚类辨识算法

采用模糊输入聚类算法来辨识系统的模型,通过两个模糊聚类准则函数求得聚类中心和模糊规则数,然后求出各个子窨支态模型,再用隶属函数光滑地把他们连接成一个全局动态模糊模型,这种模型可以转化成状态空间模型,从而进行控制器的设计和稳定性分析。     

三级倒立摆的加权变量模糊神经网络控制

为了提高三级倒立摆系统控制的响应速度和稳定性,在设计Mamdani型摸糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器。该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练,能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则。通过与Mamdani型控制器的仿真对比,表明该Sugeno型模糊神经网络控制器对三级倒立摆系统的控制具有良好的稳定性和快速性,以及较高的控制精度。     

模糊逻辑系统与支持向量机的关系探索

研究了模糊逻辑系统和支持向量机的关系，指出模糊逻辑系统是以峰点作为支持向量，以隶属函数作为基函数的推理系统．模糊逻辑系统是一种特殊的支持向量机。文中提出了一种基于模糊规则的支持向量机控制模型，仿真结果表明了这种模型的可行性和有效性。     

模糊控制器在车辆稳定系统中的设计应用

针对车辆安全稳定系统的算法设计中加载于车身的横摆力矩值如何确定的问题,建立了以隶属度函数和运算规则为基础的模糊控制器。本文简述了模糊控制器的一般组成,并阐明此系统控制器针对的输入参考对象是车辆质心的横摆角速度偏差,再通过描述车辆安全稳定控制系统的流程和系统的模糊控制原理设计了需要的隶属度函数和模糊子集。最后,设计了输出力矩的模糊运算规则以满足系统的实际需要。     

基于改进遗传算法的模糊控制器设计

针对模糊控制器的隶属度函数和模糊控制规则的选取及优化缺乏自学习能力与知识采集的手段,以及遗传算法具有自适应、启发式、概率性、迭代式全局收敛的特点,该文章将遗传算法与模糊控制相结合,给出了一种基于改进遗传算法的模糊控制器设计策略.改进算法引入了分裂算子来避免遗传算法在寻优过程中陷入局部最优解,同时对编码方式、选择算子、交叉算子以及变异算子做了相应的调整与改进.并将此改进算法用于优化模糊控制器的隶属度函数与模糊控制规则.仿真结果表明用该改进算法优化后的模糊控制器较用普通遗传算法优化后的模糊控制器具有更好的控制性能.     

Unsupervised adaptive neural-fuzzy inference system for solving differential equations

There has been a growing interest in combining both neural network and fuzzy system, and as a result, neuro-fuzzy computing techniques have been evolved. ANFIS (adaptive network-based fuzzy inference system) model combined the neural network adaptive capabilities and the fuzzy logic qualitative approach. In this paper, a novel structure of unsupervised ANFIS is presented to solve differential equations. The presented solution of differential equation consists of two parts; the first part satisfies the initial/boundary condition and has no adjustable parameter whereas the second part is an ANFIS which has no effect on initial/boundary conditions and its adjustable parameters are the weights of ANFIS. The algorithm is applied to solve differential equations and the results demonstrate its accuracy and convince us to use ANFIS in solving various differential equations.     

连续认知结构推理方法及其应用

实际问题中存在着大量连续量以及对它们的各种认知信息(知识).为了较好地描述和利用这些知识,将这些知识分解为连续认知结论以及关于这个结论的一个认知结构,并将它们统一成一个连续认知结构.在此基础上提出了一种基于连续认知结构的连续认知推理网络,并探讨了一套利用连续认知结构进行推理的方法.这种方法在不完全的知识推理网络中的推理是非单调的,其最简推理复杂度关于推理网络节点在最复杂情况下是线性的.同时,还用例子说明了这种方法在实际问题求解中的适用性.     

基于遗传优化和模糊推理PID及MATLAB仿真

本文提出一种基于遗传优化和模糊推理相结合的自适应模糊PID控制算法,算法由遗传算法和模糊推理两部分构成,分别用于离线优化和在线优化。仿真结果表明,这种自适应PID控制器的性能,比仅用遗传算法优化的PID控制器更好,并且抗干扰能力更强。     

A memetic grammar inference algorithm for language learning

An unsupervised incremental algorithm for grammar inference and its application to domain-specific language development are described. Grammatical inference is the process of learning a grammar from the set of positive and optionally negative sentences. Learning general context-free grammars is still considered a hard problem in machine learning and is not completely solved yet. The main contribution of the paper is a newly developed memetic algorithm, which is a population-based evolutionary algorithm enhanced with local search and a generalization process. The learning process is incremental since a new grammar is obtained from the current grammar and false negative samples, which are not parsed by the current grammar. Despite being incremental, the learning process is not sensitive to the order of samples. All important parts of this algorithm are explained and discussed. Finally, a case study of a domain specific language for rendering graphical objects is used to show the applicability of this approach.     

一种基于转导的预测算法及其在软件性能测试中的应用

通过对转导推理理论的分析，设计了一种基于转导推理的预测算法。软件系统性能测试中的某些领域，如基于有限的历史测试数据，在某个特定条件下对系统响应时间的测试和分析，与转导推理具有相同的应用前提条件和应用目标，即利用小样本测试数据集，计算感兴趣处的结果。基于这一点，将所设计的算法应用在实际系统中的软件性能测试模块，并取得了一定的价值。     

基于结构分析的局部Gibbs抽样自动推理算法

提出一种基于结构分析的局部Gibbs抽样的贝叶斯网络推理算法(S-LGSI).S-LGSI算法基于联合树算法的概率图模型分析思想,对贝叶斯网络进行精确分解,然后根据查询结点和证据结点生成具有强相关性的局部网络模型,进而对局部网络模型进行Gibbs抽样推理.与当前基于抽样的其它近似推理算法相比,该算法降低推理的计算维数.同时,由于局部抽样模型包含了与查询结点相关的重要信息,因此该算法保证局部抽样推理的精度.算法分析和在Alarm网的实验结果表明,S-LGSI算法较显著降低时间复杂度,同时也提高推理精度.S-LGSI算法应用于上海证券交易所股票网络的推理结果与实际情况基本一致,表现出较强的实用性.     

基于Markov毯分解的抽样近似推理算法

现有的贝叶斯推理算法不同程度地存在推理精度低或推理时间长的问题。文中提出一种基于Markov毯分解的抽样近似推理算法(LSIA-MB)。LSIA-MB算法利用HITON_MB算法寻找查询结点的Markov毯, 进而利用动态规划方法学习边的后验概率, 确定变量之间的因果关系, 获得一个关于查询结点的Markov局部网络模型。最后, 在Markov局部模型上执行Gibbs Sampling。通过对Markov局部模型的抽样, 极大降低推理的计算维数。同时, 由于Markov局部网络模型包含与目标结点相关的完整信息, 从而保证局部抽样推理的精度。算法分析和在标准Alarm网的实验结果均表明, LSIA-MB算法降低推理时间, 且提高推理精度。LSIA-MB算法在上海股票交易网络上的推理预测结果显示出较强的实用性。     

基于粗糙集的推理通道消除

基于粗糙集理论对推理通道问题进行了研究。通过采用属性约简和属性值约简方法对数据库中的数据进行处理。在属性值约简基础之上,采用一种改进算法找出了数据库中推理规则集。进一步,将推理规则集中属性频率高的属性安全级别提高至决策属性的安全级别,从而消除推理通道。最后通过一个实例表明提出的消除通道算法是有效的。     

基于偏相关性测试的递归式因果推断算法

因果推断是挖掘事物间联系的一种重要方式,但在高维数据场景下,利用因果推断算法进行条件独立性（CI）测试存在冗余测试多和测试效率低的问题,这限制了因果推断在高维数据集上的应用。提出一种基于偏相关性测试的递归式因果推断算法。采用“分治”的方法对变量集进行递归式因果分割,得到更易于处理的低维子数据集,提高对数据集的处理效率。在每个子数据集上进行局部因果推断,减少每次因果推断的计算量并提升算法的运行速度。在此基础上,通过比较显著性值的合并策略整合所有子结果并得到完整的因果关系,保证总体因果结构的准确性。在“分治”过程中,采用高效的偏相关性测试避免高复杂度的核密度估算,进一步提升算法效率。基于10个经典数据集的实验结果表明,在准确率与经典推断算法CAPA持平的情况下,该算法的运算速度提升了2~10倍,且在样本量越大的数据集中提升效果越明显,证明递归式因果推断算法可以有效处理高维数据集,在保证准确率的同时提高运算效率。     

最大乘积型联想记忆网络的动态学习及其应用

提出了最大乘积型联想记忆网络的一种动态调整学习算法，给出了动态学习算法有效记忆训练规则的一个充要条件。首先给出了一种快速调整学习算法，再进一步发展了一个动态指数细调规则的学习算法，以快速调整学习算法的结果作为连接权矩阵的迭代初值。实验给出了所提算法的两个应用实例。